AI生成的概念插图:一个 DNA 基序穿过不同的细胞环境,以唤起细胞背景
同一遗传变异可能在一种细胞环境中至关重要,而在另一种环境中却难以检测。这使得背景成为研究问题的核心:当一段 DNA 与某种性状或疾病相关时,科学家应该检查哪些细胞?基于广泛组织平均值的预测可能有用,但仍无法回答这个问题。
Google DeepMind 于11月11日宣布推出 AlphaGenome 2,用于预测特定细胞类型和状态下的 DNA 效应。该模型会处理约一百万个字母的 DNA 序列,并结合选定的生物学条件。它不会并行生成固定的组织输出,而是一次针对一个条件做出预测。[G1]
DeepMind 表示,训练纳入了 68 种组织中的超过 1 亿个单个细胞谱。其宣称的进步在于对基因调控进行更具体的解读,包括由新的单细胞测量所代表的条件。已发布的比较结果是开发者结果;本报道尚未独立复现这些结果。[G1]
对实验室而言,潜在价值在于优先级排序。模型可能有助于选择哪些变异、细胞或调控关系值得进行下一项实验。这可以让研究更有针对性,但排序预测在被适当证据检验之前仍只是假设。一个有吸引力的解释不能替代实测的生物学效应。
可通过 AlphaGenome API 获取访问权限,用于非商业研究;商业研究仍处于私密预览阶段。DeepMind 表示,相关的 Skills for Antigravity 将很快发布,因此该集成是未来事项,而非已经交付的功能。公告明确将这些模型限制于研究用途,并表示它们尚未被验证或批准用于临床或诊断目的。[G1]
评估其有用性的研究人员应追问:该模型在现有实验和统计证据之外还能贡献什么。它能否区分合理的细胞背景、缩小候选列表,或提出一种其结果可能推翻该预测的测试?一个能够否定模型建议的工作流程,比一个只收集支持性例子的流程更具信息价值。
The Verge 也报道了11月11日的发布及其对 DNA 变化如何影响不同细胞的关注。该报道证实了这一事件,但并未独立确立模型的准确性或下游治疗获益。这是一项新模型公告,有别于早前的 AlphaGenome 发布和预计算的 AlphaGenome Atlas。[G1][G2]
因此,实际的里程碑是一个更具背景感知能力的研究工具,而非临床结论。随着外部团队记录它在哪些地方改变了实验选择、在哪些地方遗漏了相关生物学,以及其预测在后续工作中能经受多大考验,其科学贡献将变得更加清晰。
来源:
